用于生存分析的风险梯度惩罚

生存分析出现在医学、经济学、工程学和商业等多个领域。近期研究表明，常微分方程（ODE）建模框架统一了许多现有的生存模型，同时该框架灵活且广泛适用。然而，将 ODE 框架朴素地应用于生存分析问题可能会建模出剧烈变化的概率密度函数，从而恶化模型性能。尽管我们可以对 ODE 模型应用 L1 或 L2 正则化器，但它们对 ODE 建模框架的影响尚鲜为人知。本文中，我们提出风险梯度惩罚（HGP）以增强生存分析模型的性能。我们的方法通过对风险函数关于数据点的梯度进行正则化，对局部数据点施加约束。我们的方法适用于任何生存分析模型，包括 ODE 建模框架，且易于实现。我们从理论上证明，我们的方法与最小化数据点处概率密度函数与其邻域点处概率密度函数之间的 KL 散度相关。在三个公开基准上的实验结果表明，我们的方法优于其他正则化方法。